本發(fā)明實施例涉及智能監(jiān)測領(lǐng)域，且更為具體地，涉及一種水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)監(jiān)測方法及系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的快速發(fā)展，水電廠作為國家能源供應(yīng)的重要組成部分，其自動化水平和智能化程度得到了顯著提升。計算機監(jiān)控系統(tǒng)在水電廠中的應(yīng)用日益廣泛，不僅能夠?qū)崟r監(jiān)測發(fā)電機組的工作狀態(tài)，還能有效管理水力資源，確保電力生產(chǎn)的高效與安全。然而，隨著系統(tǒng)復(fù)雜度的增加，如何準(zhǔn)確、及時地評估計算機監(jiān)控系統(tǒng)的運行狀態(tài)，成為了亟待解決的問題。

2、傳統(tǒng)的水電廠計算機監(jiān)控系統(tǒng)狀態(tài)監(jiān)測方法主要依賴于人工經(jīng)驗和簡單的閾值判斷，這種方法存在明顯的局限性。一方面，傳統(tǒng)方法由于缺乏對系統(tǒng)狀態(tài)的全面理解和深入分析，難以發(fā)現(xiàn)潛在的故障隱患；另一方面，隨著數(shù)據(jù)量的激增，傳統(tǒng)方法處理大數(shù)據(jù)的能力也顯得捉襟見肘。

3、因此，期待一種優(yōu)化的水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)監(jiān)測系統(tǒng)及方法。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，提出了本發(fā)明。本發(fā)明實施例提供了一種水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)監(jiān)測方法及系統(tǒng)，其通過采用基于深度學(xué)習(xí)的人工智能技術(shù)對水電廠計算機監(jiān)控系統(tǒng)的各個狀態(tài)評價指標(biāo)以及各個組件工況數(shù)據(jù)進行語義嵌入編碼和全局顯著性融合，以獲取狀態(tài)評價指標(biāo)和組件工況的全局語義特征表示，進而，通過對兩者進行細(xì)粒度的語義交互匹配，以實現(xiàn)對水電廠計算機監(jiān)控系統(tǒng)工作狀態(tài)的全面理解，從而智能評估其狀態(tài)等級。這樣，能夠及時發(fā)現(xiàn)水電廠計算機監(jiān)控系統(tǒng)的潛在故障，以便于及時采取相應(yīng)措施防止故障的進一步擴大，從而提升水電廠計算機監(jiān)控系統(tǒng)的可靠性和安全性。

2、第一方面，本發(fā)明實施例提供了一種水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)監(jiān)測方法，其包括：

3、統(tǒng)計水電廠計算機監(jiān)控系統(tǒng)的各個狀態(tài)評價指標(biāo)，以及所述水電廠計算機監(jiān)控系統(tǒng)的各個組件工況數(shù)據(jù)；

4、對所述各個狀態(tài)評價指標(biāo)和所述各個組件工況數(shù)據(jù)分別進行語義嵌入編碼以得到狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列和組件工況數(shù)據(jù)語義嵌入編碼向量的序列；

5、對所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列和所述組件工況數(shù)據(jù)語義嵌入編碼向量的序列分別進行特征顯著聚合以得到狀態(tài)評價指標(biāo)全局顯著語義聚合表示向量和組件工況全局顯著語義聚合表示向量；

6、對所述狀態(tài)評價指標(biāo)全局顯著語義聚合表示向量和所述組件工況全局顯著語義聚合表示向量進行特征匹配交互以得到狀態(tài)評價指標(biāo)-組件工況最優(yōu)對齊融合特征向量；

7、基于所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)對齊融合特征向量，確定所述水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)等級標(biāo)簽。

8、在一些可能的實施例中，所述對所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列和所述組件工況數(shù)據(jù)語義嵌入編碼向量的序列分別進行特征顯著聚合以得到狀態(tài)評價指標(biāo)全局顯著語義聚合表示向量和組件工況全局顯著語義聚合表示向量，包括：

9、對所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列進行聚類分析以得到狀態(tài)評價指標(biāo)自監(jiān)督聚類表示向量；

10、計算所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列中的各個狀態(tài)評價指標(biāo)語義嵌入編碼向量相對于所述狀態(tài)評價指標(biāo)自監(jiān)督聚類表示向量的隱性聚類貢獻因子以得到狀態(tài)評價指標(biāo)語義特征隱性聚類貢獻因子的序列；

11、基于所述狀態(tài)評價指標(biāo)語義特征隱性聚類貢獻因子的序列，對所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列進行特征聚合以得到所述狀態(tài)評價指標(biāo)全局顯著語義聚合表示向量。

12、在一些可能的實施例中，所述計算所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列中的各個狀態(tài)評價指標(biāo)語義嵌入編碼向量相對于所述狀態(tài)評價指標(biāo)自監(jiān)督聚類表示向量的隱性聚類貢獻因子以得到狀態(tài)評價指標(biāo)語義特征隱性聚類貢獻因子的序列，包括：

13、計算所述狀態(tài)評價指標(biāo)語義嵌入編碼向量與所述狀態(tài)評價指標(biāo)自監(jiān)督聚類表示向量之間的點除向量，并計算所述點除向量中各個特征值的絕對值的以二為底的對數(shù)值以得到隱性聚類貢獻權(quán)重向量；

14、計算所述隱性聚類貢獻權(quán)重向量與所述狀態(tài)評價指標(biāo)語義嵌入編碼向量之間的點乘向量，并計算以e為底，以所述點乘向量的各個特征值之和為指數(shù)的指數(shù)函數(shù)值以得到所述狀態(tài)評價指標(biāo)語義特征隱性聚類貢獻因子。

15、在一些可能的實施例中，所述基于所述狀態(tài)評價指標(biāo)語義特征隱性聚類貢獻因子的序列，對所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列進行特征聚合以得到所述狀態(tài)評價指標(biāo)全局顯著語義聚合表示向量，包括：

16、將所述狀態(tài)評價指標(biāo)語義特征隱性聚類貢獻因子的序列排列為狀態(tài)評價指標(biāo)語義特征聚類貢獻場分布向量；

17、對所述狀態(tài)評價指標(biāo)語義特征聚類貢獻場分布向量進行基于自注意力機制的顯性建模以得到狀態(tài)評價指標(biāo)語義特征聚類貢獻場域調(diào)制權(quán)重向量；

18、以所述狀態(tài)評價指標(biāo)語義特征聚類貢獻場域調(diào)制權(quán)重向量中的各個特征值作為權(quán)重，計算所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列的按位置加權(quán)和以得到所述狀態(tài)評價指標(biāo)全局顯著語義聚合表示向量。

19、在一些可能的實施例中，所述對所述狀態(tài)評價指標(biāo)子成分語義特征向量的集合和所述組件工況子成分語義特征向量的集合進行最優(yōu)配對多維度交互以得到狀態(tài)評價指標(biāo)-組件工況最優(yōu)子成分配對語義融合特征向量的集合，包括：

20、對所述狀態(tài)評價指標(biāo)子成分語義特征向量的集合和所述組件工況子成分語義特征向量的集合進行最優(yōu)特征子成分配對篩選以得到最優(yōu){狀態(tài)評價指標(biāo)子成分語義特征向量，組件工況子成分語義特征向量}配對的集合；

21、將所述最優(yōu){狀態(tài)評價指標(biāo)子成分語義特征向量，組件工況子成分語義特征向量}配對的集合中的各個最優(yōu){狀態(tài)評價指標(biāo)子成分語義特征向量，組件工況子成分語義特征向量}配對輸入特征多維度交互模塊以得到所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)子成分配對語義融合特征向量的集合。

22、在一些可能的實施例中，所述對所述狀態(tài)評價指標(biāo)子成分語義特征向量的集合和所述組件工況子成分語義特征向量的集合進行最優(yōu)特征子成分配對篩選以得到最優(yōu){狀態(tài)評價指標(biāo)子成分語義特征向量，組件工況子成分語義特征向量}配對的集合，包括：

23、對于所述狀態(tài)評價指標(biāo)子成分語義特征向量的集合中的各個狀態(tài)評價指標(biāo)子成分語義特征向量，計算其與所述組件工況子成分語義特征向量的集合中各個組件工況子成分語義特征向量之間的雙曲空間距離度量因子，并選擇最小的雙曲空間距離度量因子對應(yīng)的組件工況子成分語義特征向量作為配對對象以得到所述最優(yōu){狀態(tài)評價指標(biāo)子成分語義特征向量，組件工況子成分語義特征向量}配對的集合。

24、在一些可能的實施例中，所述將所述最優(yōu){狀態(tài)評價指標(biāo)子成分語義特征向量，組件工況子成分語義特征向量}配對的集合中的各個最優(yōu){狀態(tài)評價指標(biāo)子成分語義特征向量，組件工況子成分語義特征向量}配對輸入特征多維度交互模塊以得到所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)子成分配對語義融合特征向量的集合，包括：

25、分別計算所述最優(yōu){狀態(tài)評價指標(biāo)子成分語義特征向量，組件工況子成分語義特征向量}配對中的狀態(tài)評價指標(biāo)子成分語義特征向量和組件工況子成分語義特征向量之間的按位置點加、按位置點減和按位置點乘以得到第一狀態(tài)評價指標(biāo)-組件工況最優(yōu)配對交互特征向量、第二狀態(tài)評價指標(biāo)-組件工況最優(yōu)配對交互特征向量和第三狀態(tài)評價指標(biāo)-組件工況最優(yōu)配對交互特征向量；

26、計算所述第一狀態(tài)評價指標(biāo)-組件工況最優(yōu)配對交互特征向量、所述第二狀態(tài)評價指標(biāo)-組件工況最優(yōu)配對交互特征向量和所述第三狀態(tài)評價指標(biāo)-組件工況最優(yōu)配對交互特征向量之間的按位置加權(quán)和以得到所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)子成分配對語義融合特征向量。

27、在一些可能的實施例中，所述對所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)子成分配對語義融合特征向量的集合進行子成分特征語義融合以得到所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)對齊融合特征向量，包括：

28、將所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)子成分配對語義融合特征向量的集合進行級聯(lián)以得到所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)對齊融合特征向量。

29、在一些可能的實施例中，所述基于所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)對齊融合特征向量，確定所述水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)等級標(biāo)簽，包括：

30、將所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)對齊融合特征向量輸入基于分類器的狀態(tài)評價模塊以得到狀態(tài)評價結(jié)果，所述狀態(tài)評價結(jié)果用于表示水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)等級標(biāo)簽。

31、第二方面，本發(fā)明實施例提供了一種水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)監(jiān)測系統(tǒng)，包括：

32、數(shù)據(jù)統(tǒng)計模塊，用于統(tǒng)計水電廠計算機監(jiān)控系統(tǒng)的各個狀態(tài)評價指標(biāo)，以及所述水電廠計算機監(jiān)控系統(tǒng)的各個組件工況數(shù)據(jù)；

33、語義嵌入編碼模塊，用于對所述各個狀態(tài)評價指標(biāo)和所述各個組件工況數(shù)據(jù)分別進行語義嵌入編碼以得到狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列和組件工況數(shù)據(jù)語義嵌入編碼向量的序列；

34、特征顯著聚合模塊，用于對所述狀態(tài)評價指標(biāo)語義嵌入編碼向量的序列和所述組件工況數(shù)據(jù)語義嵌入編碼向量的序列分別進行特征顯著聚合以得到狀態(tài)評價指標(biāo)全局顯著語義聚合表示向量和組件工況全局顯著語義聚合表示向量；

35、特征匹配交互模塊，用于對所述狀態(tài)評價指標(biāo)全局顯著語義聚合表示向量和所述組件工況全局顯著語義聚合表示向量進行特征匹配交互以得到狀態(tài)評價指標(biāo)-組件工況最優(yōu)對齊融合特征向量；

36、狀態(tài)等級標(biāo)簽確定模塊，用于基于所述狀態(tài)評價指標(biāo)-組件工況最優(yōu)對齊融合特征向量，確定所述水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)等級標(biāo)簽。

37、與現(xiàn)有技術(shù)相比，本發(fā)明實施例提供的一種水電廠計算機監(jiān)控系統(tǒng)的狀態(tài)監(jiān)測方法及系統(tǒng)，其通過采用基于深度學(xué)習(xí)的人工智能技術(shù)對水電廠計算機監(jiān)控系統(tǒng)的各個狀態(tài)評價指標(biāo)以及各個組件工況數(shù)據(jù)進行語義嵌入編碼和全局顯著性融合，以獲取狀態(tài)評價指標(biāo)和組件工況的全局語義特征表示，進而，通過對兩者進行細(xì)粒度的語義交互匹配，以實現(xiàn)對水電廠計算機監(jiān)控系統(tǒng)工作狀態(tài)的全面理解，從而智能評估其狀態(tài)等級。這樣，能夠及時發(fā)現(xiàn)水電廠計算機監(jiān)控系統(tǒng)的潛在故障，以便于及時采取相應(yīng)措施防止故障的進一步擴大，從而提升水電廠計算機監(jiān)控系統(tǒng)的可靠性和安全性。